五個相關的講解，可能比五十條只有鬆散關聯的連結更值得學習。這個流程先釐清我們要做的決定，再透過對話改善樣本。範例是一位舞蹈老師研究如何講解動作銜接，而不是照搬別人的整套編舞。
Kabo 是用於創作者研究的 AI 智慧代理，負責擷取參考證據。在一起檢視候選來源時，Muse 協助我們進一步釐清教學問題。
先連接 Kabo，再請求新的證據
按照 Muse 連接指南連接 https://kabo.sh/mcp-pub 並登入。開始新的研究前，請 Muse 列出已就緒的 Kabo 工具。
準備好問題與起始參考資料
[ ] 研究問題——我們想解決的具體講解難點。 [ ] 受眾——經驗程度，以及觀眾已經理解的內容。 [ ] 範圍——語言、形式與發布日期區間。 [ ] 自有示範——我們自己能教或展示什麼。 [ ] 起始 URL——可選的公開參考資料，並說明它們為何相關。
先請 Muse 判斷候選資料是否相關，再綜合分析
一位舞蹈老師正在規劃一堂面向初學者的教學，教大家記住一小段編舞。老師希望了解公開課程如何講解動作銜接，而不必一開始就投入大型研究。
在同一則訊息裡說明教學問題與日期區間，請它先展示簡短的候選資料表。排除主題偏向進階表演，或講解沒有涉及銜接的範例。這是對話中的檢查節點，不是要求直接接受模型的第一版摘要。
我的教學對象是[受眾]。請研究[語言]的 YouTube 公開影片，主題為[具體問題]，發布日期從[開始]到[結束]。使用 Kabo，先展示一張小型候選表，包含 URL、日期與相關性說明。我們自己的示範素材是[素材]。暫時不要編寫教案。
用 Kabo 檢查有用的講解
為相關候選清單蒐集可用的公開指標和逐字稿證據。將老師實際說了什麼的來源紀錄，與自己對其教學價值的解讀分開。逐字稿無法證明無聲示範中展示的動作；需要時，應檢查影片，或提議進行一次可儲存的分析。
縮小問題範圍時保留原日期區間。否則，追問可能悄悄更換證據集，讓第二個答案看起來像是在修正第一個答案，實際卻是另一項研究。
對於無聲示範，影片分析流程說明了如何針對畫面提問，而不是從逐字稿推斷動作。
對於我們接受的來源，使用 Kabo 可用的中繼資料和逐字稿證據，比較它們如何講解這個問題。將講述者說的話與自己的教學解讀分開。標出需要檢查畫面的判斷。回傳一份可複製的備忘錄，包含來源連結、最有用的講解方式，以及一份使用我們自己示範素材的計畫。
在第二輪對話中縮小問題範圍
如果第一份報告主要討論如何記住整套編舞，請 Muse 聚焦舞段之間的銜接。保留原日期與納入規則。你可以要求更聚焦的答案，而不是擴展成一組與問題無關的記憶技巧。
把發現轉成自己的排練任務
請求一份簡短計畫，說明銜接問題、自有示範素材，以及排練時要檢查的內容。將來源清單與計畫複製到教學筆記中。你自己的編舞提供課程素材，參考研究則協助你決定如何講解。
一項教學決策提案
對於這位舞蹈老師，值得區分的是記住整套編舞與練習兩個舞段之間的銜接：
- 課程重點：把一個舞段的結尾與下一個舞段的開頭連起來練習。
- 自有示範：錄製我們的四個舞段及其銜接。
- 參考問題：擷取到的課程如何講解銜接？
- 應附證據：來源 URL，以及有證據支持的講解紀錄。
- 不要照搬：其他老師的編舞，或具有辨識度的口述順序。
這些範例討論的是記住整套編舞。請聚焦從一個舞段過渡到下一個舞段，並指出擷取到的哪些來源確實涉及這個問題。
根據備忘錄排練講解難點
將備忘錄複製到 Google 文件或自己的教學筆記中。決定最終腳本前，先錄製自己的排練示範，並為審閱課程的人保留相關來源連結。
公開觀看次數無法揭示觀看時間、觀眾續看情形、收益或影片取得某種表現的原因。如果決策仰賴頻道的私人分析資料，請提供你自己的 YouTube Studio 匯出檔案。
文中的完整範例用於說明方法。產品截圖顯示的是 Kabo 網頁版既有的結果，並非本指南範例的實際執行紀錄。請使用自己的素材，以及您的任務實際回傳的證據。